Data i Dialog - Uppsala

Code

# import item information
itemlabels <- read_excel("data/RegUaItemlabels.xls", sheet = 2)
spssLabels <- read_excel("data/spssLabels.xls")

# import recoded data
df.all <- read_parquet("/Volumes/magnuspjo/RegionUppsala/data/RegUaLHUdata2023.parquet")
df <- df.all

df <- df %>% 
  mutate(Årskurs = recode(arskurs,"1='Åk 7';2='Åk 9';3='Gy 2';9=NA;99=NA", as.factor = TRUE),
         Kön = recode(kon,"99=NA;9=NA;2='Flickor';1='Pojkar'", as.factor = T),
         Kommun = recode(skolkommun,"1='Enköping';2='Heby';3='Håbo';4='Knivsta';
                             5='Tierp';6='Uppsala';7='Älvkarleby';8='Östhammar'", as.factor = T),
         Skolnamn = str_squish(skola_txt)
         ) %>% 
  rename(År = inars)

Code

# define theming

RISEpalette0 <- c("#009ca6", "#e83c63", "#ffe500")

RISEpalette1 <- colorRampPalette(colors = c("#009ca6", "#e83c63", "#ffe500"))(6)
#scales::show_col(RISEpalette1)

RISEpalette2 <- colorRampPalette(colors = c("#009ca6", "#e83c63", "#ffe500"))(8)
#scales::show_col(RISEpalette2)

gender_colors <- c("Pojkar" = "#F5A127", "Flickor" = "#009CA6")
scale_color_gender <- partial(scale_color_manual, values = gender_colors)
scale_fill_gender <- partial(scale_fill_manual, values = gender_colors)

### text sizes
# ax.size <- 10
# title.size <- 12
# legend.size <- 10
# stript.size <- 10

theme_rise <- function(fontfamily = "Lato", axissize = 13, titlesize = 15,
                       margins = 12, axisface = "plain", stripsize = 12,
                       panelDist = 0.6, legendSize = 11, legendTsize = 12, ...) {
  theme_minimal() +
  theme(
    text = element_text(family = fontfamily),
    axis.title.x = element_text(
      margin = margin(t = margins),
      size = axissize
    ),
    axis.title.y = element_text(
      margin = margin(r = margins),
      size = axissize
    ),
    plot.title = element_text(
      face = "bold",
      size = titlesize
    ),
    axis.title = element_text(
      face = axisface
    ),
    plot.caption = element_text(
      face = "italic"
    ),
    legend.text = element_text(family = fontfamily, size = legendSize),
    legend.title = element_text(family = fontfamily, size = legendTsize),
    legend.background = element_rect(color = "lightgrey"),
    strip.text = element_text(size = stripsize),
    strip.background = element_rect(color = "lightgrey"),
    panel.spacing = unit(panelDist, "cm", data = NULL),
    ...
  )
}

    # these rows are for geom_text() and geom_text_repel() to match font family
    # update_geom_defaults("text", list(family = fontfamily)) +
    # update_geom_defaults("text_repel", list(family = fontfamily)) +
    # update_geom_defaults("textpath", list(family = fontfamily)) +
    # update_geom_defaults("texthline", list(family = fontfamily))

1 Introduktion

Vi har data från enkäten Liv och Hälsa Ung (LHU) från årskurs 7, 9 och 2:an i gymnasiet.

2 Deskriptiva data

Antal respondenter per år/kön

Code

df %>% 
  drop_na(Kön) %>% 
  group_by(År,Kön) %>% 
  reframe(Antal = n()) %>% 
  ggplot(aes(x = factor(År), y = Antal, color = Kön, group = Kön)) + 
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  #geom_point(size = 3) +
  scale_color_gender() +  
  scale_x_discrete('Årtal', guide = guide_axis(n.dodge = 1)) +
  scale_y_continuous(limits = c(0,NA)) +
  labs(title = "Antal respondenter per år",
       subtitle = "Fördelat på kön") +
  theme_rise()

Skolkommun/kön/år

Code

df %>% 
  drop_na(Kön,Kommun) %>% 
  group_by(År,Kommun,Kön) %>% 
  reframe(Antal = n()) %>% 
  ggplot(aes(x = factor(År), y = Antal, color = Kön, group = Kön)) + 
  geom_line(linewidth = 0.9) +
  geom_point(size = 1.7) +
  #geom_point(size = 3) +
  scale_color_manual(values = RISEpalette1[c(1,5)]) +
  scale_x_discrete('Årtal', guide = guide_axis(n.dodge = 2)) +
  scale_y_continuous(limits = c(0,NA)) +
  labs(title = "Antal respondenter per år",
       subtitle = "Fördelat på skolkommun och kön",
       caption = "OBS att y-axlarna kan variera mellan kommunerna.") +
  theme_rise() +
  facet_wrap(~Kommun,
             scales = "free")

Demografiska fördelningar

Kommer senare.

3 Utsatthet i skolan

Vi börjar med att titta på frågor relaterade till våld och kränkning/mobbning/trakasserier i skolan.

Code

items.kr <- c("C2_1","C2_3","C2_4","C2_5","C2_6","C2_8")

itemlabels %>% 
  filter(itemnr %in% items.kr) %>% 
  kbl_rise(width = 45)

itemnr	item
C2_1	Mobbning är ett problem i skolan
C2_3	Sexuella trakasserier är ett problem i skolan
C2_4	Våld är ett problem i skolan
C2_5	Pojkar får bättre möjligheter än flickor
C2_6	Flickor får bättre möjligheter än pojkar
C2_8	Skolan agerar om en elev mobbar en annan elev

3.1 Svarsfördelning

itemnr	item
C2_1	Mobbning är ett problem i skolan
C2_3	Sexuella trakasserier är ett problem i skolan
C2_4	Våld är ett problem i skolan
C2_5	Pojkar får bättre möjligheter än flickor
C2_6	Flickor får bättre möjligheter än pojkar
C2_8	Skolan agerar om en elev mobbar en annan elev

2021

Code

df %>% 
  filter(År == 2021) %>% 
  select(all_of(items.kr)) %>% 
  mutate(across(where(is.factor), ~ fct_rev(.x))) %>% 
  RIbarstack() + 
  scale_fill_viridis_d('Svarskategori',
                       direction = -1,
                       labels = ~ stringr::str_wrap(.x, width = 15)) +
  theme_rise() +
  labs(title = "Svarsfördelning",
       subtitle = "Samtliga respondenter 2021.",
       x = "Antal svar") +
  scale_y_discrete(labels = paste0(items.kr, " - ", str_wrap(itemlabels %>% filter(itemnr %in% items.kr) %>% pull(item), 15)))

Det verkar vara ett ganska stort antal “Vet inte”. Vi provar att koda om dem som saknade svar för att få en bättre bild av den faktiska svarsfördelningen. Senare kan vi bl.a. titta på antalet “Vet inte” per fråga över tid.

2021 utan “Vet inte”

Code

df %>% 
  filter(År == 2021) %>% 
  select(all_of(items.kr)) %>% 
  filter(!if_any(contains("C2"), ~ str_detect(.x, "Vet inte"))) %>%
  mutate(across(where(is.factor), ~ fct_rev(.x))) %>% 
  RIbarstack() + 
  scale_fill_viridis_d('Svarskategori',
                       direction = -1,
                       labels = ~ stringr::str_wrap(.x, width = 15)) +
  theme_rise() +
  labs(title = "Svarsfördelning",
       subtitle = "Samtliga respondenter 2021.",
       x = "Antal svar") +
  scale_y_discrete(labels = str_wrap(itemlabels %>% filter(itemnr %in% items.kr) %>% pull(item), 15)) 

2021 uppdelat på kön

Code

colG <- df %>% 
  filter(År == 2021) %>% 
  drop_na(Kön) %>% 
  select(all_of(items.kr),Kön) %>%
  filter(!if_any(contains("C2"), ~ str_detect(.x, "Vet inte"))) %>%
  #mutate(across(where(is.factor), ~ fct_rev(.x))) %>% 
  pivot_longer(starts_with("C2"), names_to = "itemnr", values_to = "svarskategori") %>% 
  group_by(Kön) %>% 
  count(itemnr, svarskategori) %>%
  mutate(Nf = factor(n)) %>%
  mutate(svarskategori = fct_rev(svarskategori)) %>% 
  left_join(.,itemlabels, by = "itemnr") %>% 
  ggplot(
    aes(
      x = svarskategori, y = n, fill = Kön
    )
  ) +
  geom_col(position = "dodge") +
  scale_color_manual("",
    values = RISEpalette1[c(1,5)],
    aesthetics = c("fill", "color")
  ) +
    scale_y_continuous(position = "right",
                     label = scales::label_comma(accuracy = 1),
                     minor_breaks = NULL) +
    facet_wrap(~ item,
             dir = "v",
             ncol = 1,
             strip.position = "left",
             #labeller = labeller(str_wrap(itemlabels %>% filter(itemnr %in% items.kr) %>% pull(item), 15))
             labeller = labeller(item = label_wrap_gen(22))
             #scales = "free"
             ) +
  theme_rise(stripsize = 10, 
                strip.text.y.left = element_text(angle = 0),
                legend.position = "top",
                axis.text.y = element_blank()) +  
  xlab("") +
  ylab("") +
  scale_x_discrete(labels = ~ stringr::str_wrap(.x, width = 8))

Code

densityG <- df %>%
  filter(År == 2021) %>% 
  drop_na(Kön) %>% 
  select(all_of(items.kr),Kön) %>%
  filter(!if_any(contains("C2"), ~ str_detect(.x, "Vet inte"))) %>%
  #mutate(across(where(is.factor), ~ fct_rev(.x))) %>% 
  pivot_longer(starts_with("C2"), names_to = "item", values_to = "svarskategori") %>% 
  mutate(svar = as.numeric(svarskategori)) %>% 
  mutate(item = factor(item)) %>% 
  #mutate(item = fct_rev(item)) %>% 
  ggplot(
    aes(
      x = svar, fill = Kön, color = Kön
    )) +
  geom_density(alpha = 0.6, stat = "count") +
  facet_wrap(~ item,
             dir = "v",
             ncol = 1) +
  scale_x_continuous(limits = c(1,5), 
                     breaks = c(1:5)
                     ) +
  scale_y_continuous(minor_breaks = NULL) +
  scale_color_manual('Kön',
    values = RISEpalette1[c(1,5)],
    aesthetics = c("fill", "color")
  ) +
  theme_rise(stripsize = 9) +
  xlab("") +
  ylab("") +
  theme(legend.position = "none") +
  theme(
    axis.text.x = element_blank(), # remove text from both axes
    axis.text.y = element_blank(),
    axis.title = element_blank(),
    strip.text = element_blank()
  ) +
  scale_x_reverse()

Code

library(patchwork)
#| fig-height: 11
#| fig-width: 9

p20cols <- colG + 
  theme(plot.margin = unit(c(0,0,0,0), 'cm'))
p20dens <- densityG + 
  theme(plot.margin = unit(c(0,0,0,0), 'cm'))
# unit(c(top, right, bottom, left), units)
p20cols + p20dens + plot_layout(widths = c(2.3, 1),
                                heights = )

Andelar “Vet inte” och saknade svar

Code

df %>% 
  select(all_of(items.kr),År,Kön) %>% 
  filter(År >= 2013) %>% 
  drop_na(Kön) %>% 
  pivot_longer(items.kr, names_to = "Item", values_to = "Svarskategori") %>% 
  group_by(År,Kön,Item) %>% 
  count(Svarskategori) %>% 
  mutate(Andel = 100 * n / sum(n)) %>% 
  filter(Svarskategori %in% c("Vet inte",NA)) %>% 
  ggplot(aes(x = factor(År), y = Andel, group = Kön, color = Kön, fill = Kön)) +
  geom_point(size = 2.2, alpha = 0.85) +
  geom_line(linewidth = 1.4, alpha = 0.85) +
  #scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_color_manual(values = RISEpalette1[c(1,5)])  +
    labs(title = "Andel som svarat 'Vet inte' eller saknar svar",
       subtitle = "Samtliga årskurser") +
  ylab("Andel respondenter i procent") +
  xlab("Årtal") +
  theme_rise() +
  facet_grid(Item~Svarskategori,
             switch = "y")

Andelar “Vet inte” fördelat på årskurs

Code

df %>% 
  select(all_of(items.kr),År,Årskurs) %>% 
  filter(År >= 2013) %>% 
  drop_na(Årskurs) %>% 
  pivot_longer(items.kr, names_to = "Item", values_to = "Svarskategori") %>% 
  group_by(År,Årskurs,Item) %>% 
  count(Svarskategori, .drop = F) %>% 
  mutate(Andel = 100 * n / sum(n)) %>% 
  filter(Svarskategori %in% c("Vet inte",NA)) %>% 
  ggplot(aes(x = factor(År), y = Andel, group = Årskurs, color = Årskurs, fill = Årskurs)) +
  geom_point(size = 2.2,
             alpha = 0.85) +
  geom_line(linewidth = 1.4,
            alpha = 0.85) +
  #scale_y_continuous(limits = c(0,100), breaks = c(0,20,40,60,80,100)) +
  scale_color_manual(values = RISEpalette1[c(1,3,5)])  +
    labs(title = "Andel som svarat 'Vet inte' eller saknar svar",
       subtitle = "Samtliga respondenter, uppdelat på årskurs") +
  ylab("Andel respondenter i procent") +
  xlab("Årtal") +
  theme_rise() +
  facet_grid(Item~Svarskategori,
             switch = "y") +
  coord_cartesian(clip = "off")

Code

items.kr <- c("C2_1","C2_3","C2_4","C2_5","C2_6","C2_8")

df.omit.na <- df %>% 
  select(all_of(items.kr),Kön,Årskurs) %>% 
  mutate(across(starts_with("C2"), ~ recode(.x,"'Stämmer mycket dåligt'=0;
                    'Stämmer ganska dåligt'=1;
                    'Stämmer varken bra eller dåligt'=2;
                    'Stämmer ganska bra'=3;
                    'Stämmer mycket bra'=4;
                    'Vet inte'=NA",
                    as.factor = FALSE)
  )) %>% 
  mutate(C2_8 = recode(C2_8,"4=0;3=1;1=3;0=4", as.factor = F)) %>%  # reverse code one item
  na.omit()

# create DIF vector variables
dif.kön <- df.omit.na$Kön
dif.årskurs <- df.omit.na$Årskurs

# remove from item dataframe
df.omit.na$Kön <- NULL
df.omit.na$Årskurs <- NULL

3.2 Enskilda C2-frågor över tid

Code

# prepare dataframe
df.c2 <- df %>%
  drop_na(Kön, Årskurs) %>%
  select(all_of(items.kr), Kön, År, Årskurs) %>%
  filter(!if_any(contains("C2"), ~ str_detect(.x, "Vet inte"))) %>%
  pivot_longer(starts_with("C2"), names_to = "itemnr", values_to = "svarskategori") %>%
  group_by(År, Årskurs, Kön, itemnr) %>%
  count(svarskategori) %>%
  mutate(svarskategori = fct_rev(svarskategori)) %>%
  mutate(
    Andel = round(100 * n / sum(n), 1),
    År = factor(År)
  ) %>%
  ungroup() %>%
  left_join(., itemlabels, by = "itemnr")

# define function to create figures
categoriesTime <- function(data, årskurs) {
  data %>%
    filter(Årskurs == {{ årskurs }}) %>%
    ggplot(
      aes(
        x = År, y = Andel, color = svarskategori, group = svarskategori
      )
    ) +
    geom_point() +
    geom_line() +
    theme_rise(stripsize = 11) +
    scale_y_continuous(limits = c(0,100)) +
    scale_color_viridis_d("", option = "plasma", end = 0.9,
      labels = ~ stringr::str_wrap(.x, width = 12)
    ) +
    labs(title = paste0(årskurs),
         y = "") +
    facet_grid(item ~ Kön,
      labeller = label_wrap_gen(width = 25, multi_line = TRUE)
    ) +
    theme(
      legend.position = "bottom",
      legend.justification = "left",
      strip.text.y.right = element_text(angle = 0)
      #panel.background = element_rect(fill = "#f9f9f9"),
      #panel.grid.major = element_line(color = "grey")
    )
}

Svarsalternativet i mitten (“Stämmer varken bra eller dåligt”) visas ej.

Åk 7

Code

df.c2 %>% 
  filter(!svarskategori == "Stämmer varken bra eller dåligt") %>% 
  categoriesTime("Åk 7")

Åk 9

Code

df.c2 %>% 
  filter(!svarskategori == "Stämmer varken bra eller dåligt") %>% 
  categoriesTime("Åk 9")

Gy 2

Code

df.c2 %>% 
  filter(!svarskategori == "Stämmer varken bra eller dåligt") %>% 
  categoriesTime("Gy 2")

De två positiva och de två negativa läggs samman för en enklare vy nedan.

Code

# prepare dataframe with merged response categories
df.c2.merged <- df.c2 %>%
  select(!n) %>%
  pivot_wider(
    names_from = svarskategori,
    values_from = Andel
  ) %>%
  clean_names() %>% 
  mutate(pos_svar = stammer_mycket_bra+stammer_ganska_bra,
         neg_svar = stammer_ganska_daligt+stammer_mycket_daligt) %>%
  select(ar,arskurs,kon,item,pos_svar,neg_svar) %>% 
  pivot_longer(c("pos_svar","neg_svar"),
               names_to = "svarskategori",
               values_to = "Andel") %>% 
  rename(År = ar,
         Årskurs = arskurs,
         Kön = kon) %>% 
  mutate(svarskategori = car::recode(svarskategori,"'pos_svar'='Positiva svar';
                                     'neg_svar'='Negativa svar'"))

Åk 7

Code

categoriesTime(df.c2.merged,"Åk 7")

Åk 9

Code

categoriesTime(df.c2.merged,"Åk 9")

Gy 2

Code

categoriesTime(df.c2.merged,"Gy 2")

En ansats till att tydliggöra könsskillnader.

Code

catTimeComp <- function(data, posneg) {
  data %>%
    filter(svarskategori == {{ posneg }}) %>%
    ggplot(
      aes(
        x = År, y = Andel, color = Kön, group = Kön
      )
    ) +
    geom_point() +
    geom_line() +
    theme_rise(stripsize = 11) +
    scale_y_continuous(limits = c(0, 100)) +
    scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
    scale_color_gender() +
    labs(title = paste0(posneg)) +
    theme(
      legend.position = "bottom",
      legend.justification = "left",
      strip.text.y.right = element_text(angle = 0)
    ) +
  facet_grid(item ~ Årskurs,
    labeller = label_wrap_gen(width = 25, multi_line = TRUE),
    scales = "free_x"
  )
}

Negativa svar

Code

catTimeComp(df.c2.merged,"Negativa svar")

Positiva svar

Code

catTimeComp(df.c2.merged,"Positiva svar")

4 KOLADA

Det blir grötigt med 8 kommuner i samma figur. Det går fint att varje kommun väljer ut (exempelvis) 3 kommuner att jämföra sig med, om man vill förenkla.

Code

KOLADA <- read_parquet("data/2023-03-28_KOLADA_data_ready.parquet")
Municipalities <- read_parquet("data/2023-03-28_KOLADA_Municipality_list.parquet")

UppsalaLänsKommuner <- Municipalities %>% 
  filter(str_detect(id,"^03")) %>% 
  pull(title)

kpi_mean <- KOLADA %>%
  group_by(KPI, kpi, År) %>%
  summarise_at(vars(Andel), list(Andel = mean)) %>%
  add_column(Kommun = "Medel riket", .before = "KPI") %>%
  add_column(Kön = "Alla")

KOLADA <- rbind(KOLADA, kpi_mean)

KOLADA <- KOLADA %>% 
  filter(Kommun %in% UppsalaLänsKommuner,
         År > 2009)


DIDkoladaPlot <- function(data) {
  data %>%
  ggplot(aes(x = År, y = Andel, group = Kommun, color = Kommun)) +
    geom_line(alpha = 0.5, linewidth = 0.8, linetype = 3) +
    geom_point(alpha = 0.5, size = 2) +
    geom_line(data = filter({{data}}, Kommun == fokusKommun), alpha = 1) +
    geom_point(data = filter({{data}}, Kommun == fokusKommun), alpha = 1) +
    geom_smooth(method = "lm",
                aes(group = 1),
                alpha = 0.12,
                color = "darkblue",
                linewidth = 0,
                linetype = 2) +
    scale_x_continuous(guide = guide_axis(n.dodge = 2), 
                       breaks = seq(2010, 2022, 2)) +
    #scale_y_continuous(limits = c(0, 100)) +
    scale_color_brewer(type = "qual", palette = "Dark2") +
    ylab("Andel i %") +
    xlab("") +
    facet_wrap(~KPI,
               ncol = 2,
               scales = "free",
               labeller = labeller(KPI = label_wrap_gen(22))) +
    theme_rise(stripsize = 10) +
    theme(legend.position = "top") +
    labs(caption = "Ljusgrått fält visar en oviktad trendlinjes 95% konfidensintervall.\nDatakälla: Kolada")
}

DIDkoladaPlotG <- function(data) {
  data %>%
    mutate(Kön = fct_rev(Kön)) %>% 
  ggplot(aes(x = År, y = Andel, group = Kön, color = Kön)) +
    geom_line(alpha = 0.8, linewidth = 0.8) +
    geom_point(alpha = 0.8, size = 1.6) +
    #geom_line(data = filter({{data}}, Kommun == fokusKommun), alpha = 1) +
    #geom_point(data = filter({{data}}, Kommun == fokusKommun), alpha = 1) +
    geom_smooth(method = "lm",
                aes(group = 1),
                alpha = 0.12,
                color = "darkblue",
                linewidth = 0,
                linetype = 2) +
    scale_x_continuous(guide = guide_axis(n.dodge = 2), 
                       breaks = seq(2010, 2022, 2)) +
    #scale_y_continuous(limits = c(0, 100)) +
    scale_color_manual(values = RISEpalette1[c(1,5)])  +
    ylab("Andel i %") +
    xlab("") +
    facet_grid(Kommun~KPI,
               scales = "free",
               labeller = labeller(KPI = label_wrap_gen(22))) +
    theme_rise(stripsize = 10) +
    theme(legend.position = "top") +
    labs(caption = "Ljusgrått fält visar en oviktad trendlinjes 95% konfidensintervall.\nDatakälla: Kolada")
}

Förskola 0-100

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Barn 3-5 år inskrivna i förskola, andel (%)",
                    "Heltidstjänster i förskola med pedagogisk högskoleexamen, lägeskommun, andel (%)",
                    "Heltidstjänster i förskola med pedagogisk högskoleexamen, enskild regi, andel (%)",
                    "Heltidstjänster i förskola med pedagogisk högskoleexamen, kommunal regi, andel (%)")
  ) %>% 
  DIDkoladaPlot() + scale_y_continuous(limits = c(0, 100))

Förskola “inzoomad”

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Barn 3-5 år inskrivna i förskola, andel (%)",
                    "Heltidstjänster i förskola med pedagogisk högskoleexamen, lägeskommun, andel (%)",
                    "Heltidstjänster i förskola med pedagogisk högskoleexamen, enskild regi, andel (%)",
                    "Heltidstjänster i förskola med pedagogisk högskoleexamen, kommunal regi, andel (%)")
  ) %>% 
  DIDkoladaPlot()

Grundskola

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Lärare med pedagogisk högskoleexamen i grundskola åk 1-9, lägeskommun, andel (%)",
                    "Lärare (heltidstjänster) med lärarlegitimation och behörighet i minst ett ämne i grundskola åk 1-9, lägeskommun, andel (%)",
                    "Elever i åk 9 som är behöriga till yrkesprogram, hemkommun, andel (%)",
                    "Elever vars föräldrar har eftergymnasial utbildning, åk 1-9 i lägeskommun, andel (%)")
  ) %>% 
  DIDkoladaPlot() + scale_y_continuous(limits = c(0, 100))

Grundskola zoomad

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Lärare med pedagogisk högskoleexamen i grundskola åk 1-9, lägeskommun, andel (%)",
                    "Lärare (heltidstjänster) med lärarlegitimation och behörighet i minst ett ämne i grundskola åk 1-9, lägeskommun, andel (%)",
                    "Elever i åk 9 som är behöriga till yrkesprogram, hemkommun, andel (%)",
                    "Elever vars föräldrar har eftergymnasial utbildning, åk 1-9 i lägeskommun, andel (%)")
  ) %>% 
  DIDkoladaPlot()

Gymnasie

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Lärare med pedagogisk högskoleexamen i gymnasieskola, lägeskommun, andel (%)",
                    "Gymnasieelever som uppnått grundläggande behörighet till universitet och högskola inom 4 år, hemkommun, andel (%)",
                    "Gymnasieelever med indraget studiestöd pga. ogiltig frånvaro, hemkommun, andel (%)")
  ) %>% 
  DIDkoladaPlot() + scale_y_continuous(limits = c(0, 100))

Gymnasie zoomad

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Lärare med pedagogisk högskoleexamen i gymnasieskola, lägeskommun, andel (%)",
                    "Gymnasieelever som uppnått grundläggande behörighet till universitet och högskola inom 4 år, hemkommun, andel (%)",
                    "Gymnasieelever med indraget studiestöd pga. ogiltig frånvaro, hemkommun, andel (%)")
  ) %>% 
  DIDkoladaPlot()

Kamrater & fritid

Code

KOLADA %>%
  filter(Kön == "Alla") %>%
  filter(KPI %in% c(
    "Deltagartillfällen i idrottsföreningar, antal/inv 7-20 år",
    "Deltagartillfällen i idrottsföreningar, antal/inv 13-20 år",
    "Aktivitetstillfällen för barn och unga i kommunala bibliotek, antal/1000 inv 0-18 år",
    "Elever i musik- eller kulturskola, 6-15 år, andel (%)"
  )) %>% 
  DIDkoladaPlot() + scale_y_continuous(limits = c(0, 100))

Kamrater & fritid zoomad

Code

KOLADA %>%
  filter(Kön == "Alla") %>%
  filter(KPI %in% c(
    "Deltagartillfällen i idrottsföreningar, antal/inv 7-20 år",
    "Deltagartillfällen i idrottsföreningar, antal/inv 13-20 år",
    "Aktivitetstillfällen för barn och unga i kommunala bibliotek, antal/1000 inv 0-18 år",
    "Elever i musik- eller kulturskola, 6-15 år, andel (%)"
  )) %>% 
  DIDkoladaPlot()

Kamrater & fritid (per kön)

Code

KOLADA %>%
  filter(Kön %in% c("Flicka","Pojke")) %>%
  filter(KPI %in% c(
    "Deltagartillfällen i idrottsföreningar, antal/inv 7-20 år",
    "Deltagartillfällen i idrottsföreningar, antal/inv 13-20 år",
    "Aktivitetstillfällen för barn och unga i kommunala bibliotek, antal/1000 inv 0-18 år",
    "Elever i musik- eller kulturskola, 6-15 år, andel (%)"
  )) %>% 
  DIDkoladaPlotG()

Närsamhälle

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Invånare 0-19 år i ekonomiskt utsatta hushåll, andel (%)",
                    "Trångboddhet i flerbostadshus, enligt norm 2, andel (%)",
                    "Trångboddhet i flerbostadshus, enligt norm 3, andel (%)",
                    "Anmälda brott om skadegörelse per 1 000 inv.",
                    "Anmälda stöld- och tillgreppsbrott, antal/1000 inv")
  ) %>% 
  DIDkoladaPlot() + scale_y_continuous(limits = c(0, 100))

Närsamhälle zoomad

Code

KOLADA %>% 
  filter(Kön == "Alla") %>% 
  filter(KPI %in% c("Invånare 0-19 år i ekonomiskt utsatta hushåll, andel (%)",
                    "Trångboddhet i flerbostadshus, enligt norm 2, andel (%)",
                    "Trångboddhet i flerbostadshus, enligt norm 3, andel (%)",
                    "Anmälda brott om skadegörelse per 1 000 inv.",
                    "Anmälda stöld- och tillgreppsbrott, antal/1000 inv")
  ) %>% 
  DIDkoladaPlot()

5 Temafrågor om kränkning

Code

itemlabels %>% 
  filter(str_detect(itemnr,"TEMA3")) %>% 
  kbl_rise(width = 45)

itemnr	item
TEMA3_F1_1	hånad, retad, utfryst?
TEMA3_F1_2	knuffad, fasthållen, utan att du blev fysiskt skadad?
TEMA3_F1_3	ofrivilligt kysst, tafsad på, talad till, fotad eller filmad, på ett sexuellt och oönskat sätt?
TEMA3_F1_4	bestulen eller lurad på pengar eller andra värdesaker?
TEMA3_F2_1	hotad eller förföljd, så att du blev rädd?
TEMA3_F2_2	hårt knuffad, hårt fasthållen, slagen eller sparkad så att du blev skadad eller så att det gjorde fysiskt ont?
TEMA3_F2_3	sexuellt utnyttjad, tvingad till sexuella handlingar?
TEMA3_F2_4	inspärrad i ett rum, eller genom hot eller våld tvingad att stanna kvar på ett ställe?

5.1 Deskriptiva data

Antal respondenter per kommun & kön

Code

df %>% 
  select(starts_with("TEMA3_F"),Kön,Kommun) %>% 
  na.omit() %>% 
  group_by(Kommun,Kön) %>% 
  reframe(Antal = n()) %>% 
  mutate(Kommun = fct_reorder(Kommun, desc(Antal))) %>% 
  ggplot(aes(x = Kommun, y = Antal, fill = Kön, group = Kön)) + 
  geom_col(position = "dodge") +
  scale_fill_gender() +  
  scale_x_discrete('Kommun', guide = guide_axis(n.dodge = 1)) +
  scale_y_continuous(limits = c(0,NA)) +
  labs(title = "Antal respondenter per år",
       subtitle = "Fördelat på kön") +
  theme_rise()

Demografiska fördelningar

Code

tema3f <- df %>% 
  select(starts_with("TEMA3_F"),Kön,Kommun) %>% 
  na.omit() %>% 
  mutate(across(
    starts_with(c("tema3_f1","tema3_f2")), 
      ~ recode(.x,"1='Nej, det har inte hänt';
      2='Ja, någon eller några gånger';
      3='Ja, några gånger i månaden';
      4='Ja, några gånger i veckan';
      5='Ja, nästan varje dag'",
      as.factor = TRUE))
      )

tema3f %>% 
  select(starts_with(c("tema3_f1","tema3_f2"))) %>% 
           RIlistItemsMargin()

itemnr	item
TEMA3_F1_1	hånad, retad, utfryst?
TEMA3_F1_2	knuffad, fasthållen, utan att du blev fysiskt skadad?
TEMA3_F1_3	ofrivilligt kysst, tafsad på, talad till, fotad eller filmad, på ett sexuellt och oönskat sätt?
TEMA3_F1_4	bestulen eller lurad på pengar eller andra värdesaker?
TEMA3_F2_1	hotad eller förföljd, så att du blev rädd?
TEMA3_F2_2	hårt knuffad, hårt fasthållen, slagen eller sparkad så att du blev skadad eller så att det gjorde fysiskt ont?
TEMA3_F2_3	sexuellt utnyttjad, tvingad till sexuella handlingar?
TEMA3_F2_4	inspärrad i ett rum, eller genom hot eller våld tvingad att stanna kvar på ett ställe?

Rådata svar

Code

tema3f %>% 
  select(starts_with(c("tema3_f1","tema3_f2"))) %>% 
  RIallresp()

Response category	Number of responses	Percent
Ja, någon eller några gånger	3080	24.1
Ja, några gånger i månaden	685	5.4
Ja, några gånger i veckan	403	3.2
Ja, nästan varje dag	399	3.1
Nej, det har inte hänt	8201	64.2

Rådata figur

Code

tema3f %>% 
  select(starts_with(c("tema3_f1","tema3_f2")),Kön,Kommun) %>% 
  pivot_longer(starts_with(c("tema3_f1","tema3_f2")),
               names_to = "item",
               values_to = "svarskategori") %>% 
  #mutate(svarskategori = fct_reorder(desc("svarskategori"))) %>% 
  ggplot(aes(x = svarskategori, fill = Kön)) +
  geom_bar(position = "dodge") +
  scale_fill_gender() +
  theme_rise() +
  scale_x_discrete('Svarskategori', guide = guide_axis(n.dodge = 3)) +
  facet_wrap(~item,
             labeller = labeller(item = label_wrap_gen(8))
             ) +
  labs(y = "Antal")

• 1 Nej, det har inte hänt
• 2 Ja, någon eller några gånger
• 3 Ja, några gånger i månaden
• 4 Ja, några gånger i veckan
• 5 Ja, nästan varje dag

6 Trygghet och trivsel i skolan

Det finns en fråga om trivsel som kan redovisas liknande “Hur mår du rent allmänt?”.

Här kan det finnas möjlighet att ta fram indexvärden, eftersom det finns många frågor som mäter aspekter av detta i MHC-SF. Det medför att en psykometrisk analys behöver göras, se separat dokument.

Reuse

https://creativecommons.org/licenses/by/4.0/